Projekty AI, które odrzucam

Każdy konsultant mówi, że jest uczciwy

Niewielu to udowadnia. Oto mój dowód: lista projektów, które odrzuciłem.

Nie dlatego, że nie chcę pracy. Ale dlatego, że te projekty nie powinny być projektami AI. Ich budowa zmarnowałaby pieniądze klienta i zniszczyła moją reputację, gdyby się nie powiodły.

Powiedzenie nie to najuczciwsza rzecz, jaką konsultant może zrobić. Jeśli dostawca nigdy nie odrzucił projektu, to nie ma standardów. Ma plan sprzedaży.

Projekt 1: Chatbot, którego nikt nie chciał

Firma chciała chatbota AI na swoją stronę. „Konkurencja taki ma”. Zapytałem o ich wskaźniki wsparcia: wolumen zgłoszeń, czas reakcji, NPS. Wszystkie w normie. Zgłoszenia dawało się ogarnąć. Czas reakcji poniżej 2 godzin. Zadowolenie klientów wysokie.

Chatbot kosztowałby ponad 60 tys. € i rozwiązałby problem, który nie istniał. Mógł nawet pogorszyć doświadczenie klienta - zastępując szybką odpowiedź człowieka wolniejszą odpowiedzią AI.

Co zasugerowałem: Poprawę dokumentacji samoobsługowej. Dodanie wyszukiwarki do centrum pomocy. Koszt: 5 tys. €. Efekt: taki sam jak chatbota, bez AI-owej złożoności.

Projekt 2: Model dedykowany dla 500 rekordów

Firma chciała wytrenować dedykowany model do klasyfikacji dokumentów. Mieli 500 oetykietowanych rekordów. To za mało, by trenować dedykowany model - potrzeba tysięcy, najlepiej dziesiątek tysięcy.

Dostawca, który ich polecił, wycenił model dedykowany na 200 tys. €. Byłby mniej dokładny niż proste wywołanie API z dobrym promptowaniem, bo 500 rekordów nie nauczy modelu wystarczająco, by uogólniał.

Co zasugerowałem: Użycie API z starannie zaprojektowanymi promptami. Koszt: 2 tys. €/miesiąc. Dokładność: wyższa niż byłaby w modelu dedykowanym. Czas: 2 tygodnie zamiast 6 miesięcy.

Projekt 3: AI dla niezdefiniowanego procesu

Firma chciała AI, by „zoptymalizować operacje”. Zapytałem: „Jakie operacje? Jaki proces?” Nie mieli udokumentowanego procesu. Różne zespoły robiły to inaczej. Nie było standardowego przepływu do optymalizacji.

AI nie zoptymalizuje tego, czego nie zdefiniowałeś. Nauczyłoby się na niespójnych, doraźnych procesach i produkowało niespójne, doraźne rekomendacje.

Co zasugerowałem: Najpierw mapowanie procesu. Udokumentowanie przepływu. Ustandaryzowanie w zespołach. Dopiero potem spojrzenie, gdzie AI może pomóc. Koszt: 10 tys. € za mapowanie procesów. Projekt AI był przedwczesny.

Projekt 4: Projekt z FOMO

Zarząd nakazał „inicjatywę AI”. Bez problemu, bez wskaźników, bez budżetu na dane. Po prostu „musimy robić AI”. CEO był pod presją, by pokazać postęp.

Nie było biznesowego uzasadnienia. Konkretnego problemu do rozwiązania. Danych do pracy. Kryteriów sukcesu. Projekt byłby komunikatem prasowym za 150 tys. €.

Co powiedziałem: „Nie wezmę tego jako projektu AI. Zrobię audyt, który powie waszemu zarządowi, co jest możliwe, ile to kosztuje i czego byśmy potrzebowali. Jeśli audyt wskaże realną szansę, budujemy. Jeśli nie - wydaliście ułamek budżetu i macie opartą na danych odpowiedź dla zarządu”.

Nie chcieli audytu. Chcieli historii. Nie zajmuję się historiami.

Projekt 5: Ratowanie u dostawcy

Firma miała nieudany projekt AI - zła architektura, brak potoku danych, brak monitoringu, brak dokumentacji. Dostawca odszedł. System był czarną skrzynką, której nikt nie rozumiał i która nie działała.

Chcieli, bym to „naprawił”. Przeprowadziłem audyt. Architektura była z gruntu błędna - nie dało się jej łatać. Naprawa kosztowałaby więcej niż zacząć od nowa, a efekt byłby systemem zbudowanym na złym fundamencie.

Co powiedziałem: „Zacznijcie od nowa. Fundament jest błędny. Mogę zbudować to poprawnie za mniej, niż kosztowałaby naprawa, i będziecie mieli system, który wasz zespół utrzyma”.

Nie spodobało im się to. Ale było uczciwe. I wrócili pół roku później - po próbie naprawy u innego dostawcy i kolejnej porażce.

Wzorzec

Każdy odrzucony projekt ma ten sam problem: AI przed zdefiniowaniem problemu, danymi lub kryteriami sukcesu. AI to ostatni krok, nie pierwszy.

Właściwa kolejność:

1. Zdefiniuj problem (z liczbą)
2. Oceń swoje dane
3. Oceń, czy AI jest właściwym narzędziem
4. Zdefiniuj kryteria sukcesu
5. WTEDY buduj AI

Gdy firmy zaczynają od kroku 5, pomijają 1-4 i dziwią się, dlaczego AI zawodzi. Nie zawiodło - po prostu nigdy nie było właściwym punktem startu.

Co akceptuję

• Konkretne problemy z mierzalnym wpływem. „Tracimy 200 godzin/miesiąc na ręczną weryfikację”, a nie „potrzebujemy AI”.
• Firmy gotowe najpierw na audyt. Jeśli nie pozwolicie mi zdiagnozować przed budową, nie mogę zagwarantować wyników.
• Zespoły, które chcą mieć system we własnym zakresie. Jeśli chcecie stałej zależności, zatrudnijcie innego konsultanta.
• Problemy, w których matematyka się spina. Jeśli problem kosztuje więcej niż rozwiązanie AI, warto budować.
• Przypadki, gdzie AI jest szczerze najlepszym narzędziem. Nie tam, gdzie działają reguły, nie tam, gdzie arkusz kalkulacyjny, nie tam, gdzie poprawka procesu.

FAQ

Jak często odrzucasz projekty? Około 30%. Nie dlatego, że nie chcę pracy - ale dlatego, że 30% projektów AI nie powinno być projektami AI. Firmy, które mnie zatrudniają, to doceniają. Te, które nie… zatrudniają kogoś innego i uczą się na błędach.

To znaczy, że możesz nas odrzucić? Możliwe. Wolałbyś wiedzieć przed wydaniem 100 tys. €? Audyt powie nam obu, czy AI jest dla was właściwe. Jeśli tak - budujemy. Jeśli nie - wydaliście ułamek kosztu i wiecie dlaczego.